Návrh Školení

Úvod

    Přizpůsobení osvědčených postupů vývoje softwaru strojovému učení. MLflow vs Kubeflow -- kde svítí MLflow?

Přehled cyklu Machine Learning

    Příprava dat, školení modelu, nasazení modelu, obsluha modelu atd.

Přehled MLflow Funkce a architektura

    MLflow Sledování, MLflow Projekty a MLflow Modely Použití rozhraní příkazového řádku MLflow (CLI) Navigace v uživatelském rozhraní MLflow

Nastavení MLflow

    Instalace do veřejného cloudu Instalace na místní server

Příprava vývojového prostředí

    Práce s notebooky Jupyter, Python IDE a samostatnými skripty

Příprava projektu

    Připojení k datům Vytvoření predikčního modelu Trénink modelu

Použití MLflow Sledování

    Protokolování verzí kódu, dat a konfigurací Protokolování výstupních souborů a metrik Dotazování a porovnávání výsledků

Běžící MLflow projekty

    Přehled syntaxe YAML Role úložiště Git Balení kódu pro opětovné použití Sdílení kódu a spolupráce se členy týmu

Ukládání a poskytování modelů pomocí MLflow modelů

    Výběr prostředí pro nasazení (cloud, samostatná aplikace atd.) Nasazení modelu strojového učení Obsluha modelu

Pomocí registru modelů MLflow

    Nastavení centrálního úložiště Ukládání, přidávání poznámek a objevování modelů Společná správa modelů.

Integrace MLflow s jinými systémy

    Práce s MLflow pluginy Integrace s úložnými systémy třetích stran, poskytovateli ověřování a rozhraními REST API Pracovní Apache Spark – volitelné

Odstraňování problémů

Shrnutí a závěr

Požadavky

  • Python zkušenosti s programováním
  • Zkušenosti s frameworky a jazyky strojového učení

Publikum

  • Datoví vědci
  • Inženýři strojového učení
  21 hodiny

Počet účastníků


Začátek

Konec


Dates are subject to availability and take place between 09:30 and 16:30.

Price per participant

Reference (1)

Související kurzy

Související kategorie